PhylaFlow: Hybrid Flow Matching in Billera-Holmes-Vogtmann Tree Space for Phylogenetic Inference

Resumo Técnico: PhylaFlow – Correspondência de Fluxo Híbrida no Espaço de Árvores Billera–Holmes–Vogtmann

Enunciado do Problema
A inferência filogenética é fundamentalmente um problema de otimização híbrida: envolve otimização contínua sobre os comprimentos dos ramos e busca discreta sobre as topologias das árvores. Métodos bayesianos tradicionais, como a Cadeia de Markov Monte Carlo (MCMC) implementada no MrBayes, frequentemente lutam com períodos de "burn-in" onde as cadeias gastam recursos computacionais excessivos explorando regiões de baixa probabilidade do espaço de árvores antes de descobrir bacias relevantes para a posterior. Isso é particularmente desafiador porque o espaço das árvores filogenéticas não é puramente euclidiano; mudanças topológicas ocorrem através de contrações e expansões discretas de arestas, enquanto os comprimentos dos ramos variam continuamente. O espaço de árvores Billera–Holmes–Vogtmann (BHV) fornece uma geometria canônica para essa estrutura, representando cada topologia como um ortante euclidiano e transições topológicas como movimento através de fronteiras compartilhadas de dimensão inferior. No entanto, abordagens neurais existentes frequentemente ou tentam substituir completamente o MCMC por aproximações variacionais ou geram árvores únicas de alta pontuação sem aprender as dinâmicas de transporte contínuo-discreto necessárias para navegar efetivamente pela geometria BHV.

Metodologia
Os autores introduzem o PhylaFlow, um modelo de correspondência de fluxo híbrido projetado para aprender "transporte de bacia posterior" dentro do espaço de árvores BHV. Em vez de substituir a inferência bayesiana, o PhylaFlow atua como um inicializador amortizado e mecanismo de proposta que transporta árvores iniciais arbitrárias em direção a regiões apoiadas pela distribuição posterior.

• Formulação Geométrica: O modelo opera dentro do espaço métrico BHV. Trata a tarefa de inferência como um problema de transporte ótimo, aprendendo um mapa que empurra amostras de uma distribuição base (árvores iniciais aleatórias) para uma aproximação da distribuição posterior alvo.
• Arquitetura Híbrida: O PhylaFlow emprega um transformador de grafos para processar estados de árvores (topologia e comprimentos dos ramos) condicionados a incorporações de sequências e tempo. A arquitetura utiliza três cabeças distintas para lidar com a natureza híbrida do espaço:
  1. Cabeça de Velocidade: Prevê velocidades contínuas dos comprimentos dos ramos dentro de uma topologia fixa (ortante), modelando o movimento através de um campo vetorial dependente do tempo.
  2. Cabeça de Primeiro Atingimento: Prevê quais arestas internas contraíram a zero primeiro, identificando o próximo evento de fronteira onde uma mudança topológica é iminente.
  3. Cabeça de Topologia: Um módulo autoregressivo que resolve a politomia resultante (árvore não resolvida) após um colapso de fronteira em uma nova topologia válida, prevendo uma sequência de ações de subconjuntos estruturados.
• Objetivo de Treinamento: O modelo é treinado em caminhos geodésicos supervisionados BHV conectando árvores iniciais aleatórias a árvores alvo amostradas de uma posterior de curta execução. A função de perda combina correspondência de fluxo contínuo (para comprimentos dos ramos), classificação binária (para eventos de colapso de aresta) e entropia cruzada autoregressiva (para transições topológicas).
• Inferência e Refinamento: Na inferência, o PhylaFlow gera árvores candidatas a partir de inícios aleatórios. Essas árvores são então usadas para inicializar cadeias padrão do MrBayes para refinamento baseado em verossimilhança. Os autores também propõem uma variante PhylaFlow-MCMC, onde a estrutura de divisões aprendida pelo PhylaFlow é usada para enviesar propostas locais de NNI (Interchange de Vizinhos Mais Próximos) durante a execução do MCMC, guiando a cadeia em direção a divisões apoiadas pela posterior.

Principais Contribuições

1. Correspondência de Fluxo Híbrida no Espaço BHV: O artigo demonstra que modelos de transporte neural podem aprender movimento significativo através da geometria híbrida do espaço de árvores, acoplando a evolução contínua dos comprimentos dos ramos com transições topológicas discretas.
2. Inicialização Amortizada: O PhylaFlow fornece um mecanismo de proposta consciente da geometria que reduz significativamente a distância (medida por Tree-KL) entre árvores iniciais aleatórias e bacias relevantes para a posterior antes que qualquer refinamento baseado em verossimilhança ocorra.
3. Refinamento Guiado por Divisões: O trabalho introduz um método para usar a geometria posterior aprendida para guiar propostas de MCMC, melhorando o desempenho em casos "difíceis" onde movimentos locais padrão lutam para escapar de bacias subótimas.
4. Condicionamento por Sequência: Os autores mostram que o processo de transporte pode ser condicionado a incorporações de sequências (incorporações Phyla), permitindo que o modelo direcione o transporte em direção a estruturas de divisões específicas do conjunto de dados, embora a recuperação exata da topologia em um cenário conjunto permaneça preliminar.

Resultados
Avaliado em oito conjuntos de dados de referência (DS1–DS8) abrangendo regimes evolutivos diversos, o PhylaFlow demonstra melhorias substanciais sobre linhas de base padrão:

• Qualidade Inicial: Antes do refinamento MCMC, o PhylaFlow alcança o menor Tree-KL inicial (divergência da posterior de longa execução) em todos os oito conjuntos de dados em comparação com inicializadores aleatórios, de máxima parcimônia, de máxima verossimilhança (IQ-TREE) e baseados em UShER.
• Eficiência de Refinamento: Após refinamento MrBayes com orçamento finito (100k gerações), a inicialização direta do PhylaFlow supera outros métodos não guiados em cinco dos oito conjuntos de dados.
• Desempenho em Casos Difíceis: A variante PhylaFlow-MCMC, que usa divisões aprendidas para guiar propostas, alcança o melhor Tree-KL final nos conjuntos de dados mais difíceis (DS3, DS5, DS6, DS7), superando significativamente tanto as linhas de base padrão quanto controles neurais fortes como PhyloGFN sob o mesmo orçamento computacional.
• Comparação com Controles: O PhylaFlow supera linhas de base de aquecimento curto em sete dos oito conjuntos de dados e o PhyloGFN em cinco dos oito conjuntos de dados. Embora o PhyloGFN seja um amostrador forte treinado por verossimilhança, o PhylaFlow oferece um caminho computacionalmente mais eficiente para uma geometria posterior útil, com tempos de configuração geralmente menores que o PhyloGFN em conjuntos de dados maiores.
• Plausibilidade de Verossimilhança: As árvores geradas mantêm perfis de verossimilhança plausíveis, indicando que o modelo aprende estrutura posterior reutilizável em vez de meramente produzir árvores isoladas de alta pontuação.

Significado e Alegações
O artigo alega que o PhylaFlow fornece um exemplo precoce de modelagem diferenciável e consciente da geometria para inferência filogenética. Seu significado principal reside em demonstrar que transporte acionável no espaço de árvores BHV é aprendível. Os autores posicionam o PhylaFlow não como uma substituição para a inferência bayesiana, mas como um mecanismo complementar que melhora a eficiência da descoberta de bacias posteriores. Ao aprender o "movimento" através do espaço de árvores, o modelo reduz o tempo de burn-in necessário para que as cadeias MCMC alcancem regiões de alta posterior. Os resultados sugerem que a correspondência de fluxo híbrida pode capturar geometria posterior acionável, oferecendo um novo paradigma para inicializar e guiar a inferência filogenética que respeita a estrutura combinatória-contínua intrínseca do espaço de árvores. Os autores permanecem modestos em relação aos experimentos condicionados por sequências, notando que, embora incorporações possam orientar a recuperação de divisões, a recuperação exata da topologia posterior em um cenário conjunto, entre conjuntos de dados, permanece preliminar.